Índices de Vegetação para Imagens Capturadas por

Índices de Vegetação para Imagens Capturadas por Veículos Aéreos
não Tripulados
Jorge Davi Navarro, Alisson Garcia, Luis Guilherme Ribeiro, Albino Szesz Junior,
Maria Salete Marcon Gomes Vaz
Departamento de Informática, Universidade Estadual de Ponta Grossa, Ponta Grossa,
Paraná, Brasil, [email protected], [email protected],
[email protected], [email protected], [email protected]
RESUMO
O objetivo deste artigo é, através de um levantamento teórico, abordar índices de vegetação
para imagens capturadas por veículos aéreos não tripulados. As características modulares,
típicas de sistemas, torna-os uma valiosa ferramenta para agricultura de precisão. Com eles é
possível capturar imagens em tempo real para análises via índice de vegetação como NDVI,
auxiliando a verificação do baixo desenvolvimento das plantas em certas regiões da lavoura.
PALAVRAS-CHAVE: Agricultura de Precisão, VANTs, NDVI.
INTRODUÇÃO
O espaço geográfico encontra-se em constantes mudanças, seja por interferência de
fenômenos naturais ou pela ação do homem. Geralmente, estas mudanças são sempre mais
rápidas que o processo de produção cartográfica. Este processo durante muitos anos tem sido
realizado por técnicas de fotogrametria e detecção remota.
Como alternativa, surgiu no mercado aplicações de mapeamento, a tecnologia de
veículos aéreos não tripulados (VANTs). Esta tecnologia proporciona baixo custo de
aquisição de dados e alta qualidade geométrica, assim, como permite que os resultados sejam
integrados em Sistemas de Informação Geográfica.
Os VANTs podem ser usados para diversas aplicações tal como, documentação
arqueológica, agricultura de precisão, cadastro de propriedades, segurança, entre outras
(EISENBEISS, 2009). Sendo assim existem diferentes categorias de VANTs, dentre elas
destaca-se os Drones que podem ser aplicados na área agrícola, por exemplo.
Neste sentido a grande vantagem do uso de drones no setor agrícola, é a precisão na
detecção e monitoramento de grandes áreas em tempo real, sendo capazes de dar suporte aos
agricultores no monitoramento de suas propriedades por meio de imagens aéreas de alta
resolução, possibilitando o mapeamento, bem como estudos sobre sensoriamento remoto e
índices de vegetação.
Nesse contexto, o objetivo deste artigo é através de um levantamento teórico, abordar
índices de vegetação para imagens capturadas por veículos aéreos não tripulados.
MATERIAL E MÉTODOS
Neste trabalho foi realizada uma fundamentação teórica sobre sensoriamento remoto, imagens
áreas, comportamento espectral e índices de vegetação, através da literatura e de trabalhos
correlatos.
RESULTADOS E DISCUSSÃO
A busca por soluções ambientais e agronômicas tem se tornado cada vez mais necessária a
humanidade. Entre as técnicas e tecnologias disponíveis e crescentemente utilizadas,
destacam-se o Sensoriamento Remoto e o Geoprocessamento (DEMARCHI et al, 2011).
Sensoriamento remoto pode ser definido, de uma maneira ampla, como a forma de se
obter, por meio do uso de sensores, informações de um objeto, ou alvo, sem que haja contato
físico com o mesmo, os dados podem ser adquiridos nos níveis: aéreo, terrestre e orbital, de
acordo com a distância entre o objeto de interesse e o sensor (ARAÚJO, 2013).
O sensoriamento remoto, através de processamento de imagens áreas, pode ser uma
interessante ferramenta quando se busca obter informações sobre objetos ou fenômenos na
superfície terrestre, sem contato físico com eles.
Munidos de câmeras e sensores, os drones usam técnicas de geoprocessamento para
sobrevoar as plantações, identificar e prevenir problemas que possam causar prejuízos às
propriedades, como pragas, queimadas, falhas de plantio e deficiências hídricas ou
nutricionais.
A utilização de dados espectrais na estimativa de parâmetros estruturais da vegetação
constitui-se num dos mais importantes potenciais do sensoriamento remoto dos ecossistemas
naturais (ACCIOLY et al., 2011).
A obtenção de informações contidas em imagens, multi ou hiperespectrais,
fundamenta-se no conhecimento sobre como cada objeto em análise se comporta com relação
aos fenômenos de absorção, emissão e reflexão da radiação eletromagnética incidente neles
(ALVARENGA et al., 2003).
Através das informações espectrais obtidas nas imagens, utilizam-se índices para
facilitar a interpretação de dados das imagens obtidas pelos sensores, realçando o
comportamento espectral da vegetação e minimizando o efeito do solo ou outros objetos. Os
índices mais conhecidos são: Vegetação Diferença Normalizada (Normalized Difference
Vegetation Index, NDVI), Índice de Vegetação Ajustado ao Solo (Soil Adjusted Vegetation
Index, SAVI), Índice de Vegetação Normalizada Verde (“Green” NDVI) e o índice que é a
razão entre o Verde e o infravermelho-próximo (GNIR).
O índice de vegetação mais empregado na avaliação da cobertura vegetal é o NDVI
(Normalized Difference Vegetation Index - Índice de Vegetação por Diferença Normalizada)
proposto por Rouse et al. (1973). O cálculo do NDVI é obtido pela razão entre a diferença da
resposta espectral do pixel nas bandas do infravermelho próximo e do vermelho, e a somatória
dessas duas bandas (FIGUEIREDO, 2005). O NDVI varia de -1 a +1, sendo que quanto mais
próximo de 1, mais densa é a vegetação e que o valor zero se refere aos pixels não vegetados.
Com isso, o NDVI atribui à área estudada um determinado valor que dependerá do estado em
que se encontra essa vegetação (LOPES et al., 2010).
O Green NDVI, utilizado por Gitelson et al. 1996, uma variante do NDVI, é utilizada
para identificar diferentes taxas de concentração de clorofila na vegetação, visto que, a banda
verde é mais sensível para detectar níveis nutricionais de uma plantação. Esse índice é muito
utilizado no início do período de uma safra, onde os níveis nutricionais são variados. Já o
índice SAVI, proposto por Huete (1988), diminui o efeito do solo sobre diferentes densidades
da cobertura vegetal no solo, ou seja, ele considera a influência do solo na vegetação.
Pensando no uso de sensores, vários autores encontraram boas correlações em estágios
tardios da planta. Teal et al (2006) encontram melhores correlações entre NDVI e a
produtividades nesses estágios. Clay et al (2006) mostraram que a recomendação de N
baseada em coleta de NDVI em estágios finais foram mais acuradas que modelos baseado
apenas na produtividade. Além disso, ao utilizar os sensores se tem o benéfico de
quantitativamente identificar a variabilidade espacial da cultura (MARTIN et al., 2007).
Portanto, ferramentas como drones, sensores, além de técnicas de sensoriamento remoto
e geoprocessamento, não podem ser ignorados. Afinal, a inclusão tecnológica no campo é
fundamental para que se consiga fazer uma agricultura cada vez mais racional, sustentável e
competitiva.
CONCLUSÕES
Diante do exposto conclui-se que a pesquisa atingiu seus objetivos, destacando que
atualmente as plataformas VANTs e sensores passíveis de serem transportados por elas são
aplicáveis e podem servir adequadamente de tecnologia para sensoriamento remoto, com foco
para o emprego da agricultura de precisão, bem como em diversas outras áreas.
REFERÊNCIAS
ALVARENGA B. S.; D`ARCO, E.; ADAMI, M.; FORMAGGIO, A.R. O Ensino de
Conceitos E Práticas de Espectrorradiometria Laboratorial: Estudo de Caso Com Solos do
Estado de São Paulo. Anais XI SBSR, Belo Horizonte, Brasil, INPE, p. 739-747, 2003.
ARAÚJO, J.C. Determinação de zonas de manejo e estimativa da produtividade de
culturas de grão por meio de videografia aérea digital multiespectral. Piracicabas, 2004.
CLAY,D.E.; SCHUELLER,J.K.;MILLER,W.M; WHITNEY,J.D.; CORNELL,J.A. Error
sources affecting variable rate application on nitrogen fertilizer, Precision Agriculture,
New York, v. 5, p 601-6016,2014
DEMARCHI, J. C.; PIROLI, E. L.; ZIMBACK, C. R. L. Análise Temporal do Uso Do Solo
e Comparação Entre os Índices de Vegetação Ndvi e Savi No Município de Santa Cruz
do Rio Pardo – Sp Usando Imagens Landsat-5. RA'E GA: o Espaço Geográfico em
Análise, p. 234-271, 2011.
EISENBEISS, H. (2009). VANT Photogrammetry. Zurich, University of Technology
Dresden. Doctor of Sciences: 237.
FIGUEIREDO, S.M.F. Comparação entre técnicas de classificação digital de imagens
Landsat no mapeamento do uso e ocupação do solo em Capixaba, Acre. 2005. 17p.
Dissertação (Mestrado em Manejo Ambiental) – Universidade Federal de Lavras, Lavras.
2005.
LOPES, A.S.; SILVA, H.P.; ARAUJO, I.R.; ALENCAR, B.P.B.; MELO, A.L. Utilização de
imagens de satélites e dados meteorológicos visando o monitoramento de mudanças
climáticas. In: III Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da
Geoinformação, Recife, PE. 2010, p. 001-004.
MARTIN,K.L;MALZER,G.L;MULLA,D.J;HUGGINS,D.R;STROCK,J.
Sapatial
and
Temporal Variation in Economically Optimum Nitrogen Rate for Corn. Agronomy
Journal, Madison, v. 95, n. 4 , p. 958-964, 2003
OLIVEIRA, Charles M. de. VILELA, Marina de F. SHIRATSUCHI, Luciano S. ABDALLA,
Rômulo P. VIEIRA, André Luiz N. Amostragem em grid e imagens aéreas: Métodos para
estudos da distribuição espacial de corós em soja sob plantio direto no cerrado. Sete
Lagoas-MG, SIAP, 2005.
ROUSE, J. W., R. H. HAAS, J. A. Schell, D. W. Deering (1973). Monitoring vegetation
systems in the Great Plains with ERTS, Third ERTS Symposium, NASA SP-351 I, 309317.
TEAL,R.K;TUBANA,B.;GIRMA,K.;FREAMAN,K.W.;ARNALL,D.B;WALSH,O.;RAUN,
W.R. In-Season Prediction of Corn Grain Yield Potential Using Normalized Difference
Vegetation Index. Adronomy Journal, Madison, v.98, n6, p. 1488-1494,2006.